[论文解读] Sensing Integrated DFT-Spread OFDM Waveform and Deep Learning-powered Receiver Design for Terahertz Integrated Sensing and Communication Systems

Yongzhi Wu, Filip Lemić+2 more|arXiv (Cornell University)|Sep 30, 2021

Millimeter-Wave Propagation and Modeling参考文献 46被引用 6

一句话总结

本文提出了一种感知集成DFT扩展OFDM（SI-DFT-s-OFDM）波形及一种基于深度学习的ISAC接收机，用于太赫兹集成感知与通信系统。该波形将峰均功率比降低约3.2 dB，并实现了毫米级距离和分米每秒级速度估计；而深度学习接收机在10⁻³误码率下将误码率性能提升5 dB，同时增强了对多普勒效应、相位噪声及多径效应的鲁棒性。

ABSTRACT

Terahertz (THz) communications are envisioned as a key technology of next-generation wireless systems due to its ultra-broad bandwidth. One step forward, THz integrated sensing and communication (ISAC) system can realize both unprecedented data rates and millimeter-level accurate sensing. However, THz ISAC meets stringent challenges on waveform and receiver design to fully exploit the peculiarities of THz channel and transceivers. In this work, a sensing integrated discrete Fourier transform spread orthogonal frequency division multiplexing (SI-DFT-s-OFDM) system is proposed for THz ISAC, which can provide lower peak-to-average power ratio than OFDM and is adaptive to flexible delay spread of the THz channel. Without compromising communication capabilities, the proposed SI-DFT-s-OFDM realizes millimeter-level range estimation and decimeter-per-second-level velocity estimation accuracy. In addition, the bit error rate (BER) performance is improved by 5 dB gain at the $10^{-3}$ BER level compared with OFDM. At the receiver, a deep learning based ISAC receiver with two neural networks is developed to recover transmitted data and estimate target range and velocity, while mitigating the imperfections and non-linearities of THz systems. Extensive simulation results demonstrate that the proposed deep learning methods can realize mutually enhanced performance for communication and sensing, and is robust against Doppler effects, phase noise, and multi-target estimation.

研究动机与目标

• 解决太赫兹集成感知与通信（THz ISAC）中的严苛挑战，包括高路径损耗、多普勒扩展、相位噪声以及高峰均功率比（PAPR）。
• 设计一种与太赫兹信道特性及收发机约束兼容的低PAPR波形。
• 开发一种基于深度学习的接收机，联合执行数据检测与感知参数估计（距离、速度），并提升鲁棒性。
• 通过单一波形与接收机架构集成通信与感知，提升频谱效率并降低硬件成本。
• 在不降低通信性能的前提下，实现高精度感知（毫米级距离、分米每秒级速度）。

提出的方法

• 提出两种SI-DFT-s-OFDM波形：基于循环前缀（CP）与基于频域导频插入（FGI）的方案，利用DFT扩展降低PAPR，并适应太赫兹信道中的可变延迟扩展。
• 通过嵌入导频信号并利用信道冲激响应，集成感知能力，实现目标距离与速度估计。
• 设计双分支深度学习接收机：ComNet用于数据检测，SensingNet用于感知参数估计，ISACNet中共享全连接层以降低复杂度。
• 使用带随机参数的随机信道样本训练深度学习模型，确保对信道变化的鲁棒性。
• 在ISACNet中采用联合损失函数，实现通信与感知任务之间的相互增强。
• 在神经网络内应用信道估计与均衡技术，以缓解相位噪声与多普勒效应的影响。

实验结果

研究问题

• RQ1 DFT扩展OFDM波形能否适配太赫兹ISAC系统，在降低PAPR的同时保持高谱效率？
• RQ2 基于深度学习的联合检测与估计在太赫兹系统中，对多普勒与相位噪声的误码率性能改善程度如何？
• RQ3 通信与感知任务之间的任务相关性如何影响共享深度学习模型的性能？
• RQ4 单一深度学习接收机能否在不使用独立处理链路的情况下，同时实现高精度感知与可靠通信？
• RQ5 与传统的MMSE接收机及独立的深度学习模型相比，所提出的ISAC接收机在鲁棒性与复杂度方面表现如何？

主要发现

• 所提出的SI-DFT-s-OFDM波形相比传统OFDM，PAPR降低了约3.2 dB。
• 在10⁻³误码率水平下，系统相比OFDM实现了5 dB的误码率增益，表明通信可靠性显著提升。
• 在20 dB信噪比下，基于FGI的SI-DFT-s-OFDM实现了174 Gbps的平均可实现速率，并达到10⁻⁵误码率性能。
• 系统实现了毫米级距离估计精度与分米每秒级速度估计精度。
• ISACNet模型相比独立的ComNet与SensingNet模型，将网络复杂度降低了37%，同时提升了距离估计精度。
• 任务相关性较高（CP方案为0.9643），表明通信与感知任务间存在强协同效应，从而在联合学习中获得更大性能增益。